【YOLO】替换骨干网络为轻量级网络MobileNet3

已于 2023-08-09 17:02:11 修改
阅读量1.2k 收藏 4
点赞数
分类专栏： 机器学习 文章标签： YOLO MobileNetV3
于 2023-08-09 16:59:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_37556124/article/details/132189738
版权
本文介绍了如何将MobileNetV3作为YOLOv5的骨干网络，用于移动端的目标检测任务。MobileNetV3在ImageNet分类和检测任务上表现出高精度和低延迟的优势。通过调整YOLOv5网络结构，结合MobileNetV3进行模型训练，实现了在移动设备上的高效应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

替换骨干网络为轻量级网络MobileNet_v3

上一章 模型网络结构解析&增加小目标检测

文章目录

前言

移动端部署深度卷积网络，无论什么视觉任务，选择高精度的计算量少和参数少的骨干网是必经之路。轻量化网络是移动端的研究重点。本文将介绍使用MobileNet3在yolo中作为骨干网络提取特征的应用。

一、MobileNetV3介绍

MobileNetV3在移动端上分类、检测和分割的最新技术成果。与MobileNetVV2相比，MobileNetV3-Large在ImageNet分类上的准确度高3.2％，同时将延迟降低了20％。与延迟相当的MobileNetV2模型相比，MobileNetV3-Small的准确性高出6.6％。 MobileNetV3-Large的检测速度快25％以上，精度与COCO检测上的MobileNetV2大致相同。对于Cityscapes分割，MobileNetV3-Large LR-ASPP比MobileNetV2 R-ASPP快34％。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv3替换骨干网络为MobileNetV3的计算机视觉
GzvDart的博客
09-20 299
而MobileNetV3是一种轻量级的卷积神经网络，它使用了一系列的深度可分离卷积和线性瓶颈模块，以在减少参数数量的同时提供较好的准确率。在模型的前向传播过程中，我们首先通过MobileNetV3获取特征图，然后继续YOLOv3的其余网络结构，如预测边界框和类别。YOLOv3是一种流行的目标检测算法，而MobileNetV3则是一种轻量级的骨干网络，它可以提供高效的计算性能和较好的准确率。总结起来，将MobileNetV3应用于YOLOv3的骨干网络可以提供较好的计算性能和较高的准确率。
YOLOv8 改进：使用 MobileNetV3 轻量化架构改进特征提取网络
最新发布
走向CTO的路上...
03-22 744
通过使用 MobileNetV3 作为 YOLOv8 的特征提取器，能够显著降低模型复杂度和运行时资源消耗，同时在一定程度上保持检测精度。这种方法特别适合需要高效计算的边缘设备和嵌入式系统。
YOLOv5-7.0改进（一）MobileNetv3替换主干网络
mw的博客
05-03 7848
本篇博客主要讲解YOLOv5主干网络的替换，使用MobileNetv3实现模型轻量化，平衡速度和精度。以下为改进的具体流程~
YOLO算法改进7【中阶改进篇】：主干网络C3替换为轻量化网络MobileNetV3
梦在黎明破晓时的博客
12-24 2943
解决问题：YOLOv5主干特征提取网络采用C3结构，带来较大的参数量，检测速度较慢，应用受限，在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型时难以被应用的。前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。
改进YOLOv8 | 主干网络升级 | YOLOv8骨干网络替换为MobileNetV3 | 计算机视觉
带你成为别人眼中的大佬！
05-31 2667
我们需要连接MobileNetV3的卷积层和YOLOv8的输出层。这是通过将MobileNetV3的输出张量“flatten”之后，再与YOLOv8的张量连接而实现的。相对于其他骨干网络，MobileNetV3具有更快的计算速度和更高的精度。这里，我们首先通过将YOLOv8输出层的最后一个卷积层替换为MobileNetV3模型来改变YOLOv8骨干网络。然后，我们将MobileNetV3的输出张量和YOLOv8的输出张量连接。然后，我们将MobileNetV3的输出张量和YOLOv8的输出张量连接。
YOLOv9改进，YOLOv9主干网络替换为MobileNetV4(2024独家首发)
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-07 625
MobileNetV4具有面向移动设备的通用高效架构设计。其核心是我们引入的通用倒置瓶颈（Universal Inverted Bottleneck，UIB）搜索块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）和一种新型的额外深度卷积（ExtraDW）变体。
主干网络篇 | YOLOv5/v7 更换骨干网络之 MobileNetV3 | 基于神经网络搜索的轻量级网络
weixin_39818775的博客
06-29 1792
近年来，深度卷积神经网络（CNN）在图像识别、目标检测等领域取得了巨大进展。然而，随着模型复杂度的不断提升，模型训练和部署所需的计算资源也呈指数级增长，这对于资源受限的设备和平台带来了挑战。为了解决这个问题，MobileNetV3 应运而生。MobileNetV3 是一种基于神经网络架构搜索（NAS）的轻量级卷积神经网络架构，它通过探索不同网络结构的组合，以最小化的计算代价获得最大化的精度，实现了模型的轻量化和高效性。
主干网络篇 | YOLOv5/v7 更换骨干网络之 MobileNetV3 | 基于神经网络搜索的轻量级网络（2）
weixin_39818775的博客
07-10 2022
YOLOv5和YOLOv7是目前主流的轻量级目标检测模型，在速度和精度方面取得了良好的平衡。然而，传统的YOLOv5/v7模型使用FPN和CSPNet等结构作为主干网络，在移动设备和嵌入式系统等资源受限的场景中运行时可能存在效率较低的问题。为了解决这个问题，本文提出了一种使用MobileNetV3作为主干网络的YOLOv5/v7模型，该模型在移动设备和嵌入式系统上具有更高的推理速度和更低的内存消耗。
提速YOLOv7：用MobileNetV3更换骨干网络加速目标检测
学Java，找哪吒
05-15 4919
本专栏均为全网独家首发，🚀订阅该专栏后，该专栏内所有文章可看，内附代码，可直接使用，改进的方法均是2023年最近的模型、方法和注意力机制。每一篇都做了实验，并附有实验结果分析，模型对比。
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构
Limiiiing的博客
10-20 1439
本文记录的是基于RepVit的YOLOv11轻量化改进方法研究。RepVit的网络结构借鉴ViT的设计理念，通过分离的token mixe和减少推理时的计算和内存成本，同时减少扩展比率并增加宽度，降低延迟，并通过来弥补参数大幅减少的问题，提高了准确性。本文在替换骨干网络中配置了原论文中的和五种模型，以满足不同的需求。
MobileNetV2-YoloV3
jacke121的专栏
07-24 8617
无预训练： https://github.com/thancaocuong/MobileNetV2-YoloV3
深度学习-轻量级骨干网-QPS
05-06
本文档整理了几种常见的轻量级骨干网的基本结构以及性能，分别在英伟达T4卡上压测了它们的QPS，方便在实际业务中综合选择适合的骨干网
mobilenetv3-yolov3 训练模型
05-11
https://github.com/tanluren/mobilenetv3-yolov3 上的预训练模型，20分类，要class相同才能用
yolov3+mobilenet+darknet
03-11
github中的带mobilenet的darknet框架都是基于yolov2,不能使用yolov3模型，这是根据yolov3改的
Yolov8轻量化:MobileNetV3，轻量级骨架首选
05-31 2862
轻量级网络MobileNetV3引入到yolov8，性能和速度都表现优异，受到学术界和工业界的追捧。
YOLOv5改进系列：替换主干网络为MobileNetV3的计算机视觉
IdfdFsharp的博客
09-18 927
目标检测是计算机视觉中的一个关键任务，而YOLOv5作为目标检测领域的先进方法，近年来备受关注。在YOLOv5的改进系列中，我们将探讨如何将MobileNetV3作为YOLOv5的主干网络。MobileNetV3通过引入一系列创新的模块和技术，提供了一种高效的解决方案，适用于移动设备和嵌入式系统。为了实现YOLOv5和MobileNetV3的结合，我们需要修改YOLOv5的代码，以将MobileNetV3作为主干网络。需要注意的是，这只是将MobileNetV3作为YOLOv5的主干网络的示例之一。
YOLOv5改进 | 主干网络 | 将backbone替换为MobileNetV3【小白必备教程+附完整代码】
kay_545
05-18 3406
yolov5有效改进涨点，yolov5改进，yolov8
tensorflow2.3实现PPLCNet——一个速度更快、准确率更高的轻量级骨干网络
qq_42025868的博客
04-06 6741
1. 前言 PPLCNet是百度团队结合Intel-CPU端侧推理特性而设计的轻量高性能网络PP-LCNet，所提方案在图像分类任务上取得了比ShuffleNetV2、MobileNetV2、MobileNetV3以及GhostNet更优的延迟-精度均衡。 论文提出了一种基于MKLDNN加速的轻量CPU模型PP-LCNet，它在多个任务上改善了轻量型模型的性能。 如下图所示，在图像分类任务方面，所提PP-LCNet在推理延迟-精度均衡方面大幅优于ShuffleNetV2、MobileNetV2、Mobile
YOLOv5改进系列（5）——替换主干网络之 MobileNetV3
路人贾的博客
05-23 9533
手把手教你学会YOLOv5结合轻量化网络MobileNetV3。
yolov8改进系列，yolov8替换主干网络为MobileNetv3
01-13
为了提高计算效率并保持良好的精度，在YOLOv8框架下采用更轻量级的MobileNetV3作为新的骨干网是一个合理的选择[^1]。 #### 修改配置文件 首先需要调整`yolov8.yaml`中的backbone部分定义来匹配MobileNet v3结构...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

IDONTCARE8

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值